更多数据，更多问题，更好的答案

机器学习算法从数据中找到自然模式，从而产生洞察力，帮助你做出更好的决策和预测。它们每天都被用于医疗诊断、股票交易、能源负荷预测等方面的关键决策。例如，媒体网站依靠机器学习从数百万个选项中筛选，给你推荐歌曲或电影。零售商用它来洞察顾客的购买行为。

你什么时候应该使用机器学习？

当你有一个复杂的任务或问题，涉及大量数据和许多变量，但没有现有的公式或方程时，可以考虑使用机器学习。例如，如果你需要处理以下情况，机器学习就是一个不错的选择:

监督式学习

监督机器学习建立一个模型，在存在不确定性的情况下，基于证据进行预测。监督学习算法采用已知的输入数据集和已知的对数据(输出)的响应，并训练模型生成对新数据响应的合理预测。如果您已经知道要预测的输出数据，那么就使用监督学习。

监督学习使用分类和回归技术进行开发机器学习模型。

分类技术预测离散响应，例如，电子邮件是真的还是垃圾邮件，肿瘤是癌性的还是良性的。分类模型将输入数据分类。典型应用包括医疗成像、语音识别和信用评分。

如果您的数据可以被标记、分类或分成特定的组或类，请使用分类。例如，手写识别应用程序使用分类来识别字母和数字。在图像处理和计算机视觉中，无监督的模式识别技术用于对象检测和图像分割。

常用的分类算法包括万博1manbetx支持向量机（SVM）那提升和袋装决策树那K.-近邻那天真贝父那判别分析那逻辑回归，及神经网络。

回归技术预测连续响应，例如，温度变化或电力需求波动。典型应用包括电力负荷预测和算法交易。

如果您处理的是一个数据范围，或者响应的性质是一个实数，如温度或设备故障前的时间，则使用回归技术。

常见的回归算法包括线性模型那非线性模型那正规化那逐步回归那提升和袋装决策树那神经网络，及适应性神经模糊学习。

以下是在有监督和无监督机器学习之间进行选择的一些指导原则：

• 选择监督式学习如果您需要培训模型来制作预测 - 例如，连续变量的未来值，例如温度或股票价格，或分类 - 例如，从网络摄像头视频镜头识别汽车的制作。
• 选择无人监督的学习如果您需要研究您的数据，并希望训练一个模型来找到一个好的内部表示，例如将数据分割为多个集群。